一种融合LSTM的煤磨开环系统建模方法与流程

本发明属于工业控制，涉及一种融合lstm的煤磨开环系统建模方法。

背景技术：

1、煤磨开环系统建模是工业控制系统投入生产的一个重要步骤，辨识的有效性和准确性将直接影响系统上线后的运行。在传统方法中，煤磨开环系统建模一般采用传递函数模型方法，而实际环境存在多种扰动情况，由于水泥煤磨生产模型是一个具有大时滞、非线性等特性的系统，对于准确建立其预测和控制模型都有一定的难度。传统方法往往不能准确识别，运用效果不好。

技术实现思路

1、本发明的目的是提供一种融合lstm的煤磨开环系统建模方法，用于解决现有技术中对实际生产环境中存在的多种扰动情况难以识别，无法排除扰动保证系统稳定运行的问题。

2、所述的一种融合lstm的煤磨开环系统建模方法，包括下列步骤：

3、步骤一、进行参数校正，对原始数据进行阶跃检测并进行系统辨识，利用深度学习算法对一阶传递函数系统辨识完成后接入lstm的模型进行调参；

4、步骤二、进行模型构建和学习训练，将一阶传递函数转化为状态空间方程形成预测模型，利用融合模型将预测模型的输出与系统输入数据融合，再经过调参后的lstm模型处理，lstm模型经过学习训练从而得到最终模型。

5、优选的，所述步骤一包括下列子步骤：

6、(1)一阶传递函数的系统辨识，筛选观测数据中具有阶跃特性的输入输出数据，将输入输出建立一阶传递函数模型，对系统函数利用优化算法进行系统辨识；

7、(2)进行模型深度学习调参，对观测数据进行数据集处理，划分训练集和测试集，利用深度学习算法对一阶传递函数系统辨识完成后接入lstm的模型进行调参。

8、优选的，所述步骤一的子步骤(1)中，一阶传递函数模型的系统函数如下：

9、

10、其中，kp为增益系数，tp为时间常数，td为时延，s为复变量，对系统函数利用优化算法进行系统辨识，确定kp、tp、td的值；输入数据有热风阀门、冷风阀门开合度及喂煤量，输出数据有入口温度、出口温度、入口压力、压差。

11、优选的，所述步骤二具体包括：

12、(1)基于系统辨识后一阶传递函数进行多对多的联合建模，建模以状态空间方程的进行，得到离散状态下的状态空间模型，即预测模型；

13、(2)将系统输入和通过状态空间方程后的输出进行数据融合；

14、(3)将融合模型输出的融合结果作为输入送入lstm模型，得到新的输出差量，经过学习训练从而得到最终模型。

15、优选的，所述状态空间模型其表达式为：

16、x(k+1)＝ax(k)+bu(k)

17、y(k)＝cx(k)+du(k)

18、其中x表示系统状态变量，y表示系统预测输出，u表示控制输入变量，a、b、c、d均为系数矩阵；采用上式作为预测模型时，在未来第k+j时刻被控对象的预测输出为：

19、

20、上式中，y(k+j|k)表示在第k时刻计算的系统第k+j时刻的预测输出，x(k+j|k)表示在第k时刻计算的系统第k+j时刻的状态变量预测，u(k+j-i|k)表示k时刻计算的系统第k+j-i时刻的控制输入预测，aj和ai-1分别为j时刻和i-1时刻对应的系数矩阵，i＝1，2，…，j。

21、优选的，数据融合的融合模型为三层bp神经网络，其中，输入层为热风阀门、冷风阀门开合度、喂煤量、入口温度、出口温度、入口压力和压差的差量，共7维；输出层为4维；隐含层依据如下公式确定：

22、

23、上式中，h为隐含层节点数，m为输入层节点数，n为输出层节点数，a为0～10之间调节系数。

24、优选的，所述步骤二的子步骤(3)具体包括：

25、a、将经过bp神经网络差量融合之后的特征进行编码，送入双向lstm模型；

26、b、使用2个不同的lstm神经网络层分别从前端和后端进行遍历，保存2个方向的信息，充分学习输入不同特征之间的相关性；

27、c、将输出的4维向量进行解码得到差量值，并用此输出差量加上初始的输出值，得到整个模型的预测值，即为实际模拟的入口温度、出口温度、入口压力、压差值。

28、本发明具有以下优点：

29、煤磨开环系统具有非线性、复杂性等特点，而一阶传递函数模型是线性的，用其对煤磨开环系统进行描述存在一定的误差。本发明通过对原始数据进行阶跃检测并进行系统辨识，将系统的输入数据和状态空间的输出数据融合，提升了特征融合的性能；本方法充分考虑误差和非线性问题，促进系统上线后稳定运行。

技术特征：

1.一种融合lstm的煤磨开环系统建模方法，其特征在于：包括下列步骤：

2.根据权利要求1所述的一种融合lstm的煤磨开环系统建模方法，其特征在于：所述步骤一包括下列子步骤：

3.根据权利要求2所述的一种融合lstm的煤磨开环系统建模方法，其特征在于：所述步骤一的子步骤(1)中，一阶传递函数模型的系统函数如下：

4.根据权利要求1所述的一种融合lstm的煤磨开环系统建模方法，其特征在于：所述步骤二具体包括：

5.根据权利要求4所述的一种融合lstm的煤磨开环系统建模方法，其特征在于：所述状态空间模型其表达式为：

6.根据权利要求5所述的一种融合lstm的煤磨开环系统建模方法，其特征在于：数据融合的融合模型为三层bp神经网络，其中，输入层为热风阀门、冷风阀门开合度、喂煤量、入口温度、出口温度、入口压力和压差的差量，共7维；输出层为4维；隐含层依据如下公式确定：

7.根据权利要求6所述的一种融合lstm的煤磨开环系统建模方法，其特征在于：所述步骤二的子步骤(3)具体包括：

技术总结
本发明公开了一种融合LSTM的煤磨开环系统建模方法，包括下列步骤：步骤一、进行参数校正，对原始数据进行阶跃检测并进行系统辨识，利用深度学习算法对一阶传递函数系统辨识完成后接入LSTM的模型进行调参；步骤二、进行模型构建和学习训练，将一阶传递函数转化为状态空间方程形成预测模型，利用融合模型将预测模型的输出与系统输入数据融合，再经过调参后的LSTM模型处理，LSTM模型经过学习训练从而得到最终模型。本发明本发明通过对原始数据进行阶跃检测并进行系统辨识，将系统的输入数据和状态空间的输出数据融合，提升了特征融合的性能；本方法充分考虑误差和非线性问题，促进系统上线后稳定运行。

技术研发人员：王超华,王松华,邢凯,徐徐,骆文辉,陆小松,陈剑,梁伟,刘俊峰,杨华
受保护的技术使用者：安徽海螺信息技术工程有限责任公司
技术研发日：
技术公布日：2024/1/15